《表2 不同代价下决策树分类结果》
调整代价比为1、2、3、4、5、10、20,按照前述机器学习方案分别进行训练并用200个测试样本进行比对,结果如表2所示。可见,随着代价比的增大,决策树模型的分类结果中漏判的数目减小。但是漏判代价的增大,意味着失稳样本的权重的增大,使得模型对于稳定样本的关注度下降,模型误判数增加。本文39节点系统案例下选取代价比k=4较为适宜。
图表编号 | XD00150031100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 施阳、李勇、曹一家、王炜宇、左剑 |
绘制单位 | 湖南大学电气与信息工程学院、湖南大学电气与信息工程学院、湖南大学电气与信息工程学院、湖南大学电气与信息工程学院、国网湖南省电力有限公司电力科学研究院 |
更多格式 | 高清、无水印(增值服务) |